Πολλαπλή στοίχιση multiple sequence alignment (MSA)

Transcript

1 Πολλαπλή στοίχιση multiple sequence alignment (MSA)

2 MSA: Τι είναι Στοίχιση για 3 ή περισσότερες ακολουθίες. Αποκαλύπτονται οι συντηρηµένες περιοχές µεταξύ των ακολουθιών µιας οικογένειας. Χρειάζεται για: Δηµιουργία profiles/motifs που χαρακτηρίζουν µια επικράτεια (domain). Ανίχνευση συντηρηµένων DNA-binding sites σε προµότορες γονιδίων Φυλογένεση. Πρόβλεψη δευτεροταγούς και τριτοταγούς δοµής πρωτεϊνών. Σχεδιασµό εκφυλισµένων εκκινητών PCR

3 MSA

4 MSA Sum of pairs Σκοπός: η µεγιστοποίηση αυτού του score

5 MSA Πολλαπλή στοίχιση µε: Δυναµικό προγραµµατισµό (dynamic programming). Με ευρετικές µεθόδους (heuristics). Προοδευτική στοίχιση (progressive alignment) Στοίχιση µε διαδοχικές βελτιώσεις (iterative alignment) Στοίχιση βασισµένη σε blocks

6 MSA - δυναµικός προγραµµατισµός (DP) Για στοίχιση 2 ακολουθιών δηµιουργείται ένας πίνακας 2 διαστάσεων. Για στοίχιση 3 ακολουθιών δηµιουργείται πίνακας 3 διαστάσεων. Για στοίχιση Ν ακολουθιών δηµιουργείται πίνακας Ν διαστάσεων. Το υπολογιστικό κόστος αυξάνεται εκθετικά, για κάθε ακολουθία που πρέπει να ενταχθεί στην πολλαπλή στοίχιση. Πρακτικά, DP µπορεί να γίνει για λίγες µόνο ακολουθίες, µικρού µήκους.

7 MSA-ευρετικές µέθοδοι Προοδευτική στοίχιση (progressive) ClustalW Επαναλαµβανόµενη στοίχιση (Iterative) Block-based

8 ClustalW (i) Ολική στοίχιση (Needlman-Wunsch) κάθε πιθανού ζεύγους Πίνακας αποστάσεων (identities ή πίνακες Blossum/PAM). Μετατροπή των αποστάσεων σε εξελικτικές αποστάσεις. Δηµιουργία φυλογενετικού δένδρου - οδηγού (guide tree) (neighbor joining). Χαµηλότερης εµπιστοσύνης από ένα κανονικό φυλογενετικό δένδρο, ωστόσο καταδεικνύει ικανοποιητικά τις βασικές σχέσεις

9 ClustalW (ii) Οι 2 κοντινότερες ακολουθίες στοιχίζονται και δηµιουργείται µια ακολουθία συναίνεσης. Με βάση το δένδρο-οδηγό, η ακολουθία συναίνεσης στοιχίζεται (δυναµικός προγραµµατισµός) µε την επόµενη πιο κοντινή ακολουθία ή την επόµενη πιο κοντινή ακολουθία συναίνεσης. Η διαδικασία επαναλαµβάνεται έως ότου στοιχιθούν όλες οι ακολουθίες.

10 ClustalW (iii) Ανάλογα µε την απόσταση 2 ακολουθιών στο δένδρο-οδηγό, χρησιµοποιείται και ο κατάλληλος πίνακας αντικατάστασης (Blossum62, Blossum 45) για την ολική στοίχιση κατά ζεύγη. Οι ποινές των κενών προσαρµόζονται ανάλογα µε την παρατηρούµενη συντήρηση µιας περιοχής και ανάλογα µε την δευτεροταγή δοµή. Συντελεστής βαρύτητας ανάλογα µε την εξελικτική απόσταση 2 ακολουθιών

11 Προβλήµατα της προοδευτικής στοίχισης Δεν ενδείκνυται για ακολουθίες µε πολύ διαφορετικά µήκη (λόγω ολικής στοίχισης). Η τελική πολλαπλή στοίχιση εξαρτάται από τη σειρά µε την οποία θα γίνουν οι επιµέρους στοιχίσεις κατά ζεύγη. Ένα αρχικό λάθος θα επηρεάσει τα υπόλοιπα στάδια της πολλαπλής στοίχισης.

12 T-coffee Προοδευτική στοίχιση. Όταν στοιχίζει ένα ζεύγος ακολουθιών, δεν κάνει µόνο ολική στοίχιση, αλλά και τοπικές στοιχίσεις (δηµιουργείται µια βιβλιοθήκη στοιχίσεων). Υπολογίζεται ένα σκορ συµφωνίας (consistency score) από τις επιµέρους στοιχίσεις (ολική και τοπικές). Σε σχέση µε το Clustal: Πολύ καλύτερης ποιότητας πολλαπλές στοιχίσεις. Πολύ πιο αργός υπολογισµός.

13 Muscle l Προοδευτική στοίχιση. l Δύο υπολογισµοί δένδρουοδηγού (UPGMA) l Kmer l Kimura distance l Κυκλική λογική l Δένδρο-> πολλαπλή στοίχιση-> βελτιωµένο δένδρο -> βελτιωµένη στοίχιση Edgar R C Nucl. Acids Res. 2004;32:

14 Επαναλαµβανόµενη πολλαπλή στοίχιση (iterative) Αρχικά δηµιουργείται µια πολλαπλή στοίχιση χαµηλής ποιότητας. Η πολλαπλή στοίχιση βελτιώνεται σε επαναλαµβανόµενα στάδια. Ευρετική µέθοδος. Δεν επηρεάζεται από αρχικά λάθη. Προγράµµατα: PRRN

15 Block-based Ενδείκνυται για πολλαπλή στοίχιση ακολουθιών που έχουν αποκλείνει αρκετά και έχει αποµείνει συντηρηµένη µια µικρή περιοχή τους. Dialign

16 Πολλαπλή στοίχιση για DNA & πρωτεΐνες Revtrans Παίρνει πολλαπλή στοίχιση των ακολουθιών σε επιπέδο πρωτεϊνών και βάση αυτής, στοιχίζει τις ακολουθίες σε επίπεδο DNA

17 Χειροκίνητη τροποποίηση/βελτίωση πολλαπλής στοίχισης Τα προγράµµατα δεν παράγουν την βέλτιστη στοίχιση. Βελτίωση της στοίχισης χειροκίνητα alignment editors Seaview Bioedit

18 Alignment formats FASTA (.fa ή.fasta ή.fst) Clustal (.aln) Phylip (.phy ή.phylip) MSF (.msf) Mase (.mase) Nexus (.nxs) Συνήθως, τα alignment editors µπορούν να µετατρέψουν το ένα format σε άλλο. Readseq

19 Fasta format MSA

20 Clustal format MSA

21 Phylip format Χρησιµοποιείται στο πρόγραµµα phylip για φυλογένεση

22 Πολλαπλή στοίχιση ακολουθιών & profiles Ακολουθίες Χ ακολουθίες Ακολουθίες Χ profile Profile X profile

23 Χρήσεις πολλαπλής στοίχισης Δηµιουργία: Πινάκων θέσης (Position specific scoring matrices - PSSMs). Profiles. Μαρκοβιανών µοντέλων (Hidden markov models - HMMs). Είναι στατιστικά µοντέλα που δείχνουν τη συχνότητα εµφάνισης αµινοξέων/νουκλεοτιδίων για κάθε θέση µιας πολλαπλής στοίχισης. Επιπλέον, προβλέπουν τη συχνότητα χαρακτήρων που δεν παρατηρήθηκαν στην πολλαπλή στοίχιση. Χρησιµοποιούνται για την ανίχνευση µακρινών οµόλογων ακολουθιών µιας οικογένειας.

24 PSSMs Πολλαπλή στοίχιση χωρίς κενά Πίνακας συχνοτήτων για την κάθε θέση

25 PSSMs MSA Κανονικοποίηση του πίνακα συχνοτήτων. Μετατροπή των τιµών σε log2

26 PSSM Τιµή log-odd 1 για ένα χαρακτήρα Α στην θέση 1: 2 1 =2: Στην οικογένεια που µελετάµε, η συχνότητα του χαρακτήρα Α στην θέση 1 είναι 2 φορές µεγαλύτερη από την συχνότητα υποβάθρου. Τιµή log-odd -1 για ένα χαρακτήρα C στην θέση 1: 2-1 =1/2: Στην οικογένεια που µελετάµε, η συχνότητα του χαρακτήρα C στην θέση 1 είναι 2 φορές µικρότερη από την συχνότητα υποβάθρου. Τιµή log-odd 0 για ένα χαρακτήρα G στην θέση 1: 2 0 =1: Στην οικογένεια που µελετάµε, η συχνότητα του χαρακτήρα G στην θέση 1 είναι ίδια µε την συχνότητα υποβάθρου.

27 PSSM Χρησιµοποιείται για Αναζήτηση µακρινών οµόλογων σε βάση δεδοµένων. Να υπολογίσουµε πόσο καλά ταιριάζει µια ακολουθία στην οικογένεια. Στοίχιση µε ακολουθίες

28 PSSM Πόσο καλά ταιριάζει η ακολουθία AACTCG στον πίνακα θέσης; = 80 Πιθανότητα να ταιριάζει αυτή η ακολουθία στον πίνακα θέσης (οµόλογη) είναι 80 φορές µεγαλύτερη από ότι θα περιµέναµε από µια τυχαία ακολουθία

29 PSSM Στην πράξη, όταν υπολογίζουµε τις συχνότητες των χαρακτήρων χρησιµοποιούµε συντελεστή βαρύτητας που εξαρτάται από το πόσο όµοιες είναι οι ακολουθίες. Χαµηλός συντελεστής για πολύ όµοιες ακολουθίες. Υψηλός συντελεστής για αποµακρυσµένες ακολουθίες.

30 Profile Είναι PSSM που περιλαµβάνει και κενά.

31 Profile Hidden Markov Models (HMMs) Markov models αρχικά χρησιµοποιήθηκαν στην αναγνώριση φωνής. Παρόµοια µε τα PSSM/profiles. Πιο κατάλληλο σύστηµα βαθµολόγισης για τα κενά (εισδοχές/ απαλείψεις). Όχι ad hoc, αλλά βασισµένο στις πιθανότητες. Για µακρινές οµολογίες, είναι πιο ευαίσθητα από τα profiles.

32 HMMs Χρησιµοποιούνται για: Αναζήτηση οµόλογων ακολουθιών σε Β.Δ. Πολλαπλή στοίχιση ακολουθιών. Κατηγοριοποίηση σε οικογένειες γονιδίων/πρωτεϊνών. Πρόβλεψη γονιδίων (όρια εξονίων/ιντρονίων) Πρόβλεψη διαµεµβρανικών περιοχών πρωτεϊνών.

33 Profile HMMs Στοίχιση του µοντέλου µε την ακολουθία µέσω του αλγόριθµου Viterbi (σαν το δυναµικό προγραµµατισµό)

34 HMMs Regular expression

35 HMMs MSA

36 HMMs MSA

37 HMMs Null model: Θεωρεί ότι µια ακολουθία είναι τυχαία. Αν θεωρήσουµε ότι και τα 4 νουκλεοτίδια εµφανίζονται µε την ίδια συχνότητα (0.25), τότε η πιθανότητα µιας τυχαίας ακολουθίας µήκους L είναι 0.25 L. Υπολογίζουµε το log-odds της ακολουθίας:

38 HMMs MSA

39 HMMs Overfitting: όταν οι συχνότητες χαρακτήρων υπολογίζονται από ένα µικρό αριθµό ακολουθιών, οι παρατηρούµενες συχνότητες είναι στρεβλωµένες. Pseudocounts: Εξοµαλύνουν την παρατηρούµενη συχνότητα χαρακτήρων, µε βάση κάποια στατιστικά µοντέλα. Π.χ. Dirichlet mixture (από τις κατανοµές αµινοξέων σε domains)

40 PFAM Β.Δ. HMMs για domains (11912). PFAM-A: πολλαπλές στοιχίσεις γνωστών domains που ελέγχθηκαν από ειδικούς PFAM-B: βασίζεται σε συντηρηµένες περιοχές πρωτεϊνών που εντοπίστηκαν µε αυτόµατες µεθόδους και δεν γνωρίζουµε τη λειτουργία τους Clans: οµαδοποίηση HMMs (PFAM-A) για οµόλογα domains. Μπορούµε να δηµιουργήσουµε ένα HMM που θα χαρακτηρίζει όλη την οικογένεια, ή να δηµιουργήσουµε µια σειρά από HMMs, ένα για κάθε υπο-οικογένεια. Όλα µαζί αποτελούν ένα Clan.

41 PFAM MSA

42 PFAM Domain architectures trees

43 Motif - Domain Motifs: µικρές και συντηρηµένες περιοχές που επιτελούν µια συγκεκριµµένη λειτουργία. Domains: Συντηρηµένες περιοχές, µεγαλύτερες από motifs, συνήθως ώς αυτόνοµες λειτουργικές και δοµικές µονάδες. 40αα> domain >700aa µέσο µήκος ~100αα Συνήθως, οι πρωτεΐνες επιτελούν περισσότερες από µια λειτουργίες. Για κάθε µια είναι υπεύθυνο ένα motif ή domain. Άρα, πρέπει να εξετάζουµε τις επιµέρους βασικές λειτουργικές µονάδες (motifs/ domains), για να κατανοήσουµε όλες τις λειτουργίες µιας πρωτεΐνης.

44 Regular expressions Regular expression Σχετικά άκαµπτη µέθοδος. Λιγότερο ευαίσθητη από ένα στατιστικό µοντέλο. Exact matching: Πολλά ψευδώς αρνητικά αποτελέσµατα. Fuzzy matching: Επιτρέπει αµινοξέα µε παρόµοιες φυσικοχηµικές ιδιότητες, ακόµα και αν δεν παρατηρήθηκαν στην πολλαπλή στοίχιση. Αυξάνεται ο θόρυβος (ψευδώς θετικά).

45 Regular expression DBs. PROSITE: Η πρώτη Β.Δ. του είδους της. Τα regular expressions δηµιουργούνται από πολλαπλές στοιχίσεις συντηρηµένων περιοχών. Exact matches. Επίσης δηµιουργεί και profiles. Emotif: Πολλαπλές στοιχίσεις από τις ΒΔ BLOCKS & PRINTS. Μεγαλύτερη συλλογή πολλαπλών στοιχίσεων από την PROSITE. Fuzzy matching.

46 Στατιστικά µοντέλα PSSM (position specific scoring matrices). Profiles. HMMs (hidden markov models). Επιτρέπουν µερικό ταίριασµα. Pseudocounts.

47 ΒΔ πολλαπλών στοιχίσεων PRINTS: motifs/domains Fingerprints: περιοχές της πολλαπλής στοίχισης, βαθειά συντηρηµένες και χωρίς κενά. PSSMs (δίχως συντελεστή βαρύτητας) για τα fingerprints. Ένα motif αποτελείται από >1 fingerprints (δεν υπάρχει αλληλεπικάλυψη). Το motif θεωρείται υπάρχων σε µια πρωτεΐνη όταν η πλειοψηφία των fingerprints που το απαρτίζουν έχει ανιχνευθεί. Ορισµός των fingerprints & motifs γίνεται από βιοεπιστήµονες/βιοπληροφορικούς. Σχετικά µικρός αριθµός motifs στη ΒΔ.

48 ΒΔ πολλαπλών στοιχίσεων BLOCKS: motifs/domains Αυτοµατοποιηµένη πολλαπλή στοίχιση πρωτεϊνικών οικογενειών, όπου χρησιµοποιούνται οι πιο συντηρηµένες περιοχές, δίχως κενά (blocks). Για κάθε block δηµιουργείται PSSM (µε συντελεστή βαρύτητας) και εφαρµόζονται pseudocounts. Οι πίνακες αντικατάστασης BLOSSUM υπολογίζονται από τη ΒΔ BLOCKS.

49 ΒΔ πολλαπλών στοιχίσεων ProDom: motifs/domains Δηµιουργεί domains εφαρµόζοντας PSI-Blast σε ακολουθίες από την SWISSPROT & TrEMBL. Η λειτουργία των domains µπορεί να είναι άγνωστη.

50 ΒΔ πολλαπλών στοιχίσεων SMART: motifs/domains Profile HMMs που δηµιουργήθηκαν από πολλαπλές στοιχίσεις, ελεγµένες από ειδικούς. Οι στοιχίσεις είτε βασίζονται σε τρισδιάστατες δοµές είτε σε profiles που δηµιουργεί το PSI-Blast. Και οι στοιχίσεις και ο σχολιασµός των profile HMMs γίνεται από ειδικούς. Συµπληρωµατικότητα µε την PFAM.

51 ΒΔ πολλαπλών στοιχίσεων motifs/domains INTERPRO: Λόγω ανοµοιογένειας στις µεθοδολογίες και στις ακολουθίες που χρησιµοποιούνται, υπάρχει µερική αλληλοεπικάλυψη αλλά και συµπληρωµατικότητα µεταξύ των επιµέρους ΒΔ motifs/domains. H INTERPRO ενσωµατώνει αλληλοεπικαλυπτόµενα motifs/ domains που βρίσκονται ταυτόχρονα και στις 5 παρακάτω ΒΔ: PROSITE PFAM PRINTS ProDOM SMART

52 ΒΔ πολλαπλών στοιχίσεων motifs/domains Reverse-Blast (RPS-Blast): Συλλογή profiles που δηµιουργήθηκαν από PSI-Blast. CDART: Τµήµα του BLAST. ενσωµατώνει τις RPS-Blast PFAM SMART

53 Γραφική απεικόνιση motifs/ Weblogo profiles: LOGOs